1. Nauka
    2. /
  2. Kursy
    3. /
  3. Nadzorowane uczenie maszynowe z scikit-learn
Connected

ćwiczenie

Przeuczenie i niedouczenie

Analiza złożoności modelu to doskonały sposób na ocenę wydajności uczenia nadzorowanego. Celem jest zbudowanie modelu, który poprawnie interpretuje zależności między cechami a zmienną docelową, a jednocześnie dobrze generalizuje na nowych danych.

Zbiory treningowy i testowy zostały utworzone ze zbioru danych churn_df i są dostępne jako X_train, X_test, y_train oraz y_test.

Do środowiska zostały już zaimportowane KNeighborsClassifier oraz biblioteka numpy jako np.

Instrukcje

100 XP
  • Utwórz zmienną neighbors jako tablicę numpy z wartościami od 1 do 12 włącznie.
  • Utwórz instancję KNeighborsClassifier, ustawiając liczbę sąsiadów równą bieżącej wartości iteratora neighbor.
  • Dopasuj model do danych treningowych.
  • Oblicz dokładność osobno dla zbioru treningowego i testowego, korzystając z metody .score(), a wyniki przypisz odpowiednio do słowników train_accuracies i test_accuracies, używając iteratora neighbor jako indeksu.